CASE STUDY 04SUPPLY CHAIN · RULE-BASED SCHEDULING
智能仓储调度系统
把管理员经验，沉淀成可解释的调度规则。
核心结果 / KEY IMPACT
可解释的调度建议以分派建议、推荐依据与冲突提示呈现系统输出，配套人工调整和异常兜底。WORKFLOW / 工作流程
- 01汇集任务与资源状态
- 02优先级与规则匹配
- 03异常识别与动态改派
- 04人工确认与执行反馈
本页目录
01CONTEXT
问题背景
仓内每天产生大量入库、出库、拣选与搬运任务。面对紧急插单、人员冲突、设备不可用等情况，调度高度依赖管理员经验，响应慢、资源利用率低。
将效率问题拆成优先级判断、人员设备匹配、冲突识别和动态改派四类子问题，和研发、算法团队梳理现场信息与规则，再将系统建议交给管理者确认或调整。
02MY ROLE
我的角色
负责调度问题拆解、业务规则与现场信息梳理，以及可解释建议、人工调整和异常兜底的产品设计，与研发、算法团队协同推进。
- 01
围绕入库、出库、拣选与搬运，梳理任务优先级、人员设备匹配、冲突识别与动态改派。
- 02
与研发和算法团队梳理调度所需的现场信息与业务规则。
- 03
将系统输出定义为“分派建议 + 推荐依据 + 冲突提示”，帮助管理员理解并调整建议。
- 04
建立状态感知、优先级判断、调度建议、人工确认调整与执行反馈闭环，以人工调整率作为策略质量的代理指标。
03PRODUCT JUDGMENT
关键决策
这里保留问题、判断与取舍，呈现产品推进中的真实决策过程。
DECISION 01
根据业务约束选择规则引擎
- 01 /当时的问题
- 现场调度已有成熟的最优化解法，管理者需要对结果负责，并要求全链路可解释。
- 02 /我怎么判断
- 采用规则引擎，将经验判断沉淀为可复用规则，并展示建议依据与冲突。
- 03 /取舍了什么
- 有意选择规则方案而非大模型，使技术选型服务于可解释性和业务责任要求。
DECISION 02
让人工调整成为规则改进的反馈
- 01 /当时的问题
- 紧急插单、人员冲突、设备不可用时，需要动态调整任务安排。
- 02 /我怎么判断
- 支持人工确认和改派，记录执行反馈，并用人工调整率观察策略质量、持续迭代规则。
- 03 /取舍了什么
- 将人工调整率作为代理指标，结合具体异常场景解读，保留管理者对现场结果的最终责任。
04OUTCOME
结果
可解释的调度建议
以分派建议、推荐依据与冲突提示呈现系统输出，配套人工调整和异常兜底。
动态改派闭环
状态感知 → 优先级判断 → 调度建议 → 人工确认调整 → 执行反馈，支持异常场景动态改派。
人工调整率
作为策略质量的代理指标，持续迭代规则，将依赖个人经验的调度过程沉淀为可复用规则。
05REFLECTION
复盘
产品选型应从业务约束出发。已有成熟解法、需要可解释并由管理者负责的调度任务，适合以规则引擎、人工确认和反馈迭代建立稳定的工作流程。
脱敏说明：基于个人项目经历整理，仅呈现项目职责、产品方法与成果口径。